Заголовок на нужной странице

lab2/csv_to_tex.py

@@ -12,12 +12,16 @@
 - "—" для отсутствующих данных
 
 Выходной файл: tables.tex с готовым LaTeX кодом всех таблиц.
-Лучший результат по времени выполнения в каждой таблице выделяется жирным.
+Лучшие результаты по времени и фитнесу выделяются жирным (и цветом, если задан HIGHLIGHT_COLOR).
 """
 
 import re
 from pathlib import Path
 
+# Настройка цвета для выделения лучших результатов
+# None - только жирным, строка (например "magenta") - жирным и цветом
+HIGHLIGHT_COLOR = "magenta"
+
 
 def parse_csv_file(csv_path: str) -> tuple[str, list[list[str]]]:
     """
@@ -53,7 +57,7 @@ def parse_csv_file(csv_path: str) -> tuple[str, list[list[str]]]:
 
 def extract_time_value(value: str) -> float | None:
     """
-    Извлекает значение времени из строки формата "X.Y (Z)".
+    Извлекает значение времени из строки формата "X.Y (Z)" или "X.Y (Z) W.V".
 
     Args:
         value: Строка с результатом
@@ -73,6 +77,29 @@ def extract_time_value(value: str) -> float | None:
     return None
 
 
+def extract_fitness_value(value: str) -> float | None:
+    """
+    Извлекает значение фитнеса из строки формата "X.Y (Z) W.V".
+
+    Args:
+        value: Строка с результатом
+
+    Returns:
+        Значение фитнеса как float или None если значение пустое
+    """
+    value = value.strip()
+    if value == "—" or value == "" or value == "–":
+        return None
+
+    # Ищем паттерн "число.число (число) число.число"
+    # Фитнес - это последнее число в строке
+    match = re.search(r"\)\s+(\d+\.?\d*)\s*$", value)
+    if match:
+        return float(match.group(1))
+
+    return None
+
+
 def find_best_time(data_rows: list[list[str]]) -> float | None:
     """
     Находит минимальное время выполнения среди всех значений в таблице.
@@ -95,13 +122,38 @@ def find_best_time(data_rows: list[list[str]]) -> float | None:
     return min_time
 
 
-def format_value(value: str, best_time: float | None = None) -> str:
+def find_best_fitness(data_rows: list[list[str]]) -> float | None:
     """
-    Форматирует значение для LaTeX таблицы, выделяя лучший результат жирным.
+    Находит минимальное значение фитнеса среди всех значений в таблице.
+
+    Args:
+        data_rows: Строки данных таблицы
+
+    Returns:
+        Минимальное значение фитнеса или None если нет валидных значений
+    """
+    min_fitness = None
+
+    for row in data_rows:
+        for i in range(1, min(6, len(row))):  # Пропускаем первую колонку (Pc)
+            fitness_value = extract_fitness_value(row[i])
+            if fitness_value is not None:
+                if min_fitness is None or fitness_value < min_fitness:
+                    min_fitness = fitness_value
+
+    return min_fitness
+
+
+def format_value(
+    value: str, best_time: float | None = None, best_fitness: float | None = None
+) -> str:
+    """
+    Форматирует значение для LaTeX таблицы, выделяя лучшие результаты жирным.
 
     Args:
         value: Строковое значение из CSV
         best_time: Лучшее время в таблице для сравнения
+        best_fitness: Лучший фитнес в таблице для сравнения
 
     Returns:
         Отформатированное значение для LaTeX
@@ -110,16 +162,52 @@ def format_value(value: str, best_time: float | None = None) -> str:
     if value == "—" or value == "" or value == "–":
         return "—"
 
-    # Проверяем, является ли это лучшим результатом
-    current_time = extract_time_value(value)
-    if (
-        current_time is not None
-        and best_time is not None
-        and abs(current_time - best_time) < 0.001
-    ):
-        return f"\\textbf{{{value}}}"
+    # Проверяем есть ли фитнес в строке
+    fitness_match = re.search(r"(\d+\.?\d*)\s*\((\d+)\)\s+(\d+\.?\d*)\s*$", value)
 
-    return value
+    if fitness_match:
+        # Есть фитнес: "время (поколения) фитнес"
+        time_str = fitness_match.group(1)
+        generations_str = fitness_match.group(2)
+        fitness_str = fitness_match.group(3)
+
+        current_time = float(time_str)
+        current_fitness = float(fitness_str)
+
+        # Проверяем, является ли время лучшим
+        time_part = f"{time_str} ({generations_str})"
+        if best_time is not None and abs(current_time - best_time) < 0.001:
+            if HIGHLIGHT_COLOR is not None:
+                time_part = (
+                    f"\\textcolor{{{HIGHLIGHT_COLOR}}}{{\\textbf{{{time_part}}}}}"
+                )
+            else:
+                time_part = f"\\textbf{{{time_part}}}"
+
+        # Проверяем, является ли фитнес лучшим
+        fitness_part = fitness_str
+        if best_fitness is not None and abs(current_fitness - best_fitness) < 0.00001:
+            if HIGHLIGHT_COLOR is not None:
+                fitness_part = (
+                    f"\\textcolor{{{HIGHLIGHT_COLOR}}}{{\\textbf{{{fitness_part}}}}}"
+                )
+            else:
+                fitness_part = f"\\textbf{{{fitness_part}}}"
+
+        return f"{time_part} {fitness_part}"
+
+    else:
+        # Нет фитнеса: только "время (поколения)"
+        time_match = re.match(r"(\d+\.?\d*)\s*\((\d+)\)", value)
+        if time_match:
+            current_time = float(time_match.group(1))
+            if best_time is not None and abs(current_time - best_time) < 0.001:
+                if HIGHLIGHT_COLOR is not None:
+                    return f"\\textcolor{{{HIGHLIGHT_COLOR}}}{{\\textbf{{{value}}}}}"
+                else:
+                    return f"\\textbf{{{value}}}"
+
+        return value
 
 
 def generate_latex_table(n: str, header: str, data_rows: list[list[str]]) -> str:
@@ -134,8 +222,9 @@ def generate_latex_table(n: str, header: str, data_rows: list[list[str]]) -> str
     Returns:
         LaTeX код таблицы
     """
-    # Находим лучшее время в таблице
+    # Находим лучшее время и лучший фитнес в таблице
     best_time = find_best_time(data_rows)
+    best_fitness = find_best_fitness(data_rows)
 
     # Извлекаем заголовки колонок из header
     header_parts = header.split(",")
@@ -162,7 +251,7 @@ def generate_latex_table(n: str, header: str, data_rows: list[list[str]]) -> str
 
         # Добавляем значения для каждого Pm
         for i in range(1, min(6, len(row))):  # Максимум 5 колонок Pm
-            value = format_value(row[i], best_time)
+            value = format_value(row[i], best_time, best_fitness)
             latex_code += f" & {value}"
 
         # Заполняем недостающие колонки если их меньше 5
@@ -207,9 +296,12 @@ def main():
             try:
                 header, data_rows = parse_csv_file(str(csv_file))
                 best_time = find_best_time(data_rows)
+                best_fitness = find_best_fitness(data_rows)
                 latex_table = generate_latex_table(n, header, data_rows)
                 tables.append(latex_table)
-                print(f"✓ Таблица для N={n} готова (лучшее время: {best_time})")
+                print(
+                    f"✓ Таблица для N={n} готова (лучшее время: {best_time}, лучший фитнес: {best_fitness})"
+                )
 
             except Exception as e:
                 print(f"✗ Ошибка при обработке {csv_file}: {e}")
@@ -221,9 +313,13 @@ def main():
         with open("tables.tex", "w", encoding="utf-8") as f:
             f.write("% Автоматически сгенерированные LaTeX таблицы\n")
             f.write(
-                "% Лучший результат по времени выполнения в каждой таблице выделен жирным\n"
+                "% Лучший результат по времени и по фитнесу выделены жирным отдельно\n"
             )
             f.write("% Убедитесь, что подключен \\usepackage{tabularx}\n")
+            if HIGHLIGHT_COLOR is not None:
+                f.write(
+                    "% ВНИМАНИЕ: Убедитесь, что подключен \\usepackage{xcolor} для цветового выделения\n"
+                )
             f.write(
                 "% Используйте \\newcolumntype{Y}{>{\\centering\\arraybackslash}X} перед таблицами\n\n"
             )

lab2/expirements.py

@@ -19,6 +19,7 @@ BASE_DIR = "experiments"
 POPULATION_SIZES = [10, 25, 50, 100]
 PC_VALUES = [0.3, 0.4, 0.5, 0.6, 0.7, 0.8]  # вероятности кроссинговера
 PM_VALUES = [0.001, 0.01, 0.05, 0.1, 0.2]  # вероятности мутации
+SAVE_AVG_BEST_FITNESS = True
 
 # Количество запусков для усреднения результатов
 NUM_RUNS = 1
@@ -31,7 +32,9 @@ BASE_CONFIG = {
     "max_generations": 200,
     "seed": None,  # None для случайности, т. к. всё усредняем
     "minimize": True,
-    "fitness_avg_threshold": 0.05,  # критерий остановки
+    # "fitness_avg_threshold": 0.05,  # критерий остановки
+    # "max_best_repetitions": 10,
+    "best_value_threshold": 0.005,
     # при включенном сохранении графиков на время смотреть бессмысленно
     # "save_generations": [1, 50, 199],
 }
@@ -39,13 +42,15 @@ BASE_CONFIG = {
 
 def run_single_experiment(
     pop_size: int, pc: float, pm: float
-) -> tuple[float, float, float, float]:
+) -> tuple[float, float, float, float, float, float]:
     """
     Запускает несколько экспериментов с заданными параметрами и усредняет результаты.
-    Возвращает (среднее_время_в_мс, стд_отклонение_времени, среднее_поколений, стд_отклонение_поколений).
+    Возвращает (среднее_время_в_мс, стд_отклонение_времени, среднее_поколений,
+    стд_отклонение_поколений, среднее_лучшее_значение_фитнеса, стд_отклонение_лучшего_значения_фитнеса).
     """
     times = []
     generations = []
+    best_fitnesses = []
 
     for run_num in range(NUM_RUNS):
         config = GARunConfig(
@@ -65,14 +70,26 @@ def run_single_experiment(
         result = genetic_algorithm(config)
         times.append(result.time_ms)
         generations.append(result.generations_count)
+        best_fitnesses.append(result.best_generation.best_fitness)
 
     # Вычисляем средние значения и стандартные отклонения
     avg_time = statistics.mean(times)
     std_time = statistics.stdev(times) if len(times) > 1 else 0.0
     avg_generations = statistics.mean(generations)
     std_generations = statistics.stdev(generations) if len(generations) > 1 else 0.0
+    avg_best_fitness = statistics.mean(best_fitnesses)
+    std_best_fitness = (
+        statistics.stdev(best_fitnesses) if len(best_fitnesses) > 1 else 0.0
+    )
 
-    return avg_time, std_time, avg_generations, std_generations
+    return (
+        avg_time,
+        std_time,
+        avg_generations,
+        std_generations,
+        avg_best_fitness,
+        std_best_fitness,
+    )
 
 
 def run_experiments_for_population(pop_size: int) -> PrettyTable:
@@ -92,14 +109,22 @@ def run_experiments_for_population(pop_size: int) -> PrettyTable:
         row = [f"{pc:.1f}"]
         for pm in PM_VALUES:
             print(f"  Эксперимент: pop_size={pop_size}, Pc={pc:.1f}, Pm={pm:.3f}")
-            avg_time, std_time, avg_generations, std_generations = (
-                run_single_experiment(pop_size, pc, pm)
-            )
+            (
+                avg_time,
+                std_time,
+                avg_generations,
+                std_generations,
+                avg_best_fitness,
+                std_best_fitness,
+            ) = run_single_experiment(pop_size, pc, pm)
 
             # Форматируем результат: среднее_время±стд_отклонение (среднее_поколения±стд_отклонение)
             # cell_value = f"{avg_time:.1f}±{std_time:.1f} ({avg_generations:.1f}±{std_generations:.1f})"
             cell_value = f"{avg_time:.1f} ({avg_generations:.0f})"
 
+            if SAVE_AVG_BEST_FITNESS:
+                cell_value += f" {avg_best_fitness:.5f}"
+
             if avg_generations == BASE_CONFIG["max_generations"]:
                 cell_value = "—"
 
@@ -118,9 +143,6 @@ def main():
     print(f"Значения Pc: {PC_VALUES}")
     print(f"Значения Pm: {PM_VALUES}")
     print(f"Количество запусков для усреднения: {NUM_RUNS}")
-    print(
-        f"Критерий остановки: среднее значение > {BASE_CONFIG['fitness_avg_threshold']}"
-    )
     print("=" * 60)
 
     # Создаем базовую папку

lab2/gen.py

@@ -30,6 +30,9 @@ class GARunConfig:
     pc: float  # вероятность кроссинговера
     pm: float  # вероятность мутации
     max_generations: int  # максимальное количество поколений
+    max_best_repetitions: int | None = (
+        None  # остановка при повторении лучшего результата
+    )
     seed: int | None = None  # seed для генератора случайных чисел
     minimize: bool = False  # если True, ищем минимум вместо максимума
     save_generations: list[int] | None = (
@@ -39,6 +42,10 @@ class GARunConfig:
     fitness_avg_threshold: float | None = (
         None  # порог среднего значения фитнес функции для остановки
     )
+    best_value_threshold: float | None = (
+        None  # остановка при достижении значения фитнеса лучше заданного
+    )
+    log_every_generation: bool = False  # логировать каждое поколение
 
 
 @dataclass(frozen=True)
@@ -337,6 +344,7 @@ def genetic_algorithm(config: GARunConfig) -> GARunResult:
     best: Generation | None = None
 
     generation_number = 1
+    best_repetitions = 0
 
     while True:
         # Вычисляем фитнес для всех особей в популяции
@@ -357,6 +365,12 @@ def genetic_algorithm(config: GARunConfig) -> GARunResult:
         )
         history.append(current)
 
+        if config.log_every_generation:
+            print(
+                f"Generation #{generation_number} best: {current.best_fitness},"
+                f" avg: {np.mean(current.fitnesses)}"
+            )
+
         # Обновляем лучшую эпоху
         if (
             best is None
@@ -371,11 +385,29 @@ def genetic_algorithm(config: GARunConfig) -> GARunResult:
         if generation_number >= config.max_generations:
             stop_algorithm = True
 
+        if config.max_best_repetitions is not None and generation_number > 1:
+            if history[-2].best_fitness == current.best_fitness:
+                best_repetitions += 1
+
+                if best_repetitions == config.max_best_repetitions:
+                    stop_algorithm = True
+            else:
+                best_repetitions = 0
+
         # if config.variance_threshold is not None:
         #     fitness_variance = np.var(fitnesses)
         #     if fitness_variance < config.variance_threshold:
         #         stop_algorithm = True
 
+        if config.best_value_threshold is not None:
+            if (
+                config.minimize and current.best_fitness < config.best_value_threshold
+            ) or (
+                not config.minimize
+                and current.best_fitness > config.best_value_threshold
+            ):
+                stop_algorithm = True
+
         if config.fitness_avg_threshold is not None:
             mean_fitness = np.mean(fitnesses)
             if (config.minimize and mean_fitness < config.fitness_avg_threshold) or (

lab2/main.py

@@ -11,14 +11,15 @@ config = GARunConfig(
     x_min=np.array([-5.12, -5.12]),
     x_max=np.array([5.12, 5.12]),
     fitness_func=fitness_function,
-    max_generations=200,
     pop_size=25,
     pc=0.5,
     pm=0.01,
+    max_generations=200,
+    max_best_repetitions=10,
     minimize=True,
     seed=17,
-    fitness_avg_threshold=0.05,
-    save_generations=[1, 2, 3, 5, 7, 10, 15],
+    save_generations=[1, 2, 3, 5, 7, 9, 10, 15, 19],
+    log_every_generation=True,
 )
 
 result = genetic_algorithm(config)

lab2/report/report.tex

@@ -19,6 +19,8 @@
 \usepackage{afterpage}
 \usepackage{longtable}
 \usepackage{float}
+\usepackage{xcolor}
+
 
 
 
@@ -153,7 +155,7 @@
         \item Рассмотреть способы выполнения операторов репродукции,
         кроссинговера и мутации;
         \item Выполнить индивидуальное задание на любом языке высокого
-        уровня с необходимыми комментариями и выводами
+        уровня
     \end{itemize}
 
     \textbf{Индивидуальное задание вариант 18:}
@@ -393,11 +395,11 @@
         \item $N = 25$ -- размер популяции.
         \item $p_c = 0.5$ -- вероятность кроссинговера.
         \item $p_m = 0.01$ -- вероятность мутации.
-        \item $0.05$ -- минимальное среднее значение фитнесс функции по популяции для остановки алгоритма. Глобальный минимум функции равен $f(0, 0) = 0$.
+        \item Алгоритм останавливался, если лучшее значение фитнеса не изменялось $10$ поколений подряд.
         \item Использован арифметический кроссовер для real-coded хромосом.
     \end{itemize}
 
-    С каждым поколением точность найденного минимума становится выше. Популяция постепенно сходится к глобальному минимуму в точке $(0, 0)$. На графиках показаны 2D-контурный график (a) и 3D-поверхность целевой функции с точками популяции текущего поколения (b) и (c).
+    Популяция постепенно консолидируется вокруг глобального минимума в точке $(0, 0)$. Лучшая особь была найдена на поколнении №9 (см. Рис.~\ref{fig:gen9}), но судя по всему она подверглась мутации или кроссинговеру, поэтому алгоритм не остановился. На поколении №19 (см. Рис.~\ref{fig:lastgen}) было получено значение фитнеса $0.0201$, которое затем повторялось в следующих 10 поколениях. Алгоритм остановился на поколлении №29. На графиках показаны 2D-контурный график (a) и 3D-поверхность целевой функции с точками популяции текущего поколения (b) и (c).
 
     \begin{figure}[h!]
        \centering
@@ -435,6 +437,13 @@
        \label{fig:gen7}
     \end{figure}
 
+    \begin{figure}[h!]
+       \centering
+       \includegraphics[width=1\linewidth]{img/results/generation_009.png}
+       \caption{График целевой функции и популяции поколения №9}
+       \label{fig:gen9}
+    \end{figure}
+
     \begin{figure}[h!]
        \centering
        \includegraphics[width=1\linewidth]{img/results/generation_010.png}
@@ -444,8 +453,15 @@
 
     \begin{figure}[h!]
        \centering
-       \includegraphics[width=1\linewidth]{img/results/generation_013.png}
-       \caption{График целевой функции и популяции поколения №13}
+       \includegraphics[width=1\linewidth]{img/results/generation_015.png}
+       \caption{График целевой функции и популяции поколения №15}
+       \label{fig:gen15}
+    \end{figure}
+
+    \begin{figure}[h!]
+       \centering
+       \includegraphics[width=1\linewidth]{img/results/generation_019.png}
+       \caption{График целевой функции и популяции поколения №19}
        \label{fig:lastgen}
     \end{figure}
 
@@ -454,6 +470,8 @@
     \phantom{text}
     \newpage
     \phantom{text}
+    \newpage
+    \phantom{text}
     
     \newpage
     \section{Исследование реализации}
@@ -467,132 +485,253 @@
         \item $p_m = 0.001, 0.01, 0.05, 0.1, 0.2$ -- вероятность мутации.
     \end{itemize}
 
-    Результаты измерений представлены в таблицах \ref{tab:pc_pm_results_10}--\ref{tab:pc_pm_results_100}. В ячейках указано время в миллисекундах нахождения минимума функции. В скобках указано количество поколений, за которое было найдено решение. Если в ячейке стоит прочерк, то это означает, что решение не было найдено за 200 поколений. Лучшее значение по времени выполнения для каждого размера популяции выделено жирным шрифтом.
+    Измерения были проведены для двух критериев остановки:
+    \begin{itemize}
+        \item Лучшее значение фитнеса не изменялось 10 поколений.
+        \item Лучшее значение фитнеса достигло заданного значения $0.005$.
+    \end{itemize}
+
+    \subsubsection*{Результаты для первого критерия остановки}
+
+    Результаты измерений представлены в таблицах \ref{tab:pc_pm_results_10}--\ref{tab:pc_pm_results_100}. В ячейках указано время в миллисекундах нахождения минимума функции. В скобках указано количество поколений, за которое было найдено решение. Во второй строке указано усреднённое по всем запускам лучшее значение фитнеса. Если в ячейке стоит прочерк, то это означает, что решение не было найдено за 200 поколений. Лучшее значение по времени выполнения и по значению фитнеса для каждого размера популяции выделено цветом и жирным шрифтом.
 
     \newcolumntype{Y}{>{\centering\arraybackslash}X}
+    % Автоматически сгенерированные LaTeX таблицы
+% Лучший результат по времени и по фитнесу выделены жирным отдельно
+% Убедитесь, что подключен \usepackage{tabularx}
+% ВНИМАНИЕ: Убедитесь, что подключен \usepackage{xcolor} для цветового выделения
+% Используйте \newcolumntype{Y}{>{\centering\arraybackslash}X} перед таблицами
 
-    \begin{table}[h!]
-        \centering
-        \small
-        \caption{Результаты для $N = 10$}
-        \begin{tabularx}{\linewidth}{l *{5}{Y}}
-        \toprule
-        $\mathbf{P_c \;\backslash\; P_m}$ & \textbf{0.001} & \textbf{0.010} & \textbf{0.050} & \textbf{0.100} & \textbf{0.200} \\
-        \midrule
-        \textbf{0.3} & — & — & 8.9 (87) & 5.3 (46) & — \\
-        \textbf{0.4} & — & — & 19.1 (127) & 14.2 (111) & 2.9 (24) \\
-        \textbf{0.5} & — & — & 13.3 (117) & 13.7 (123) & 10.1 (74) \\
-        \textbf{0.6} & — & — & 7.8 (68) & 14.4 (100) & 7.5 (57) \\
-        \textbf{0.7} & — & 6.9 (59) & — & \textbf{1.1 (9)} & — \\
-        \textbf{0.8} & — & — & — & 5.4 (41) & — \\
-        \bottomrule
-        \end{tabularx}
-        \label{tab:pc_pm_results_10}
-    \end{table}
+\begin{table}[h!]
+    \centering
+    \small
+    \caption{Результаты для $N = 10$}
+    \begin{tabularx}{\linewidth}{l *{5}{Y}}
+    \toprule
+    $\mathbf{P_c \;\backslash\; P_m}$ & \textbf{0.001} & \textbf{0.010} & \textbf{0.050} & \textbf{0.100} & \textbf{0.200} \\
+    \midrule
+    \textbf{0.3} & 1.3 (13) 0.36281 & 1.7 (18) 7.55685 & 1.2 (13) 1.55537 & \textcolor{magenta}{\textbf{1.0 (11)}} 1.78411 & 9.4 (87) 0.04271 \\
+    \textbf{0.4} & 1.3 (14) 0.03913 & 1.6 (17) 0.02868 & 1.3 (13) 0.36232 & 2.1 (20) 0.10641 & — \\
+    \textbf{0.5} & 1.4 (15) 0.87081 & 1.7 (18) 1.71634 & 2.3 (21) 0.10401 & 3.4 (25) 0.00461 & — \\
+    \textbf{0.6} & 2.8 (19) 0.06375 & 1.8 (13) 0.72202 & 2.9 (22) 0.01473 & 3.4 (25) 0.01162 & 29.4 (184) \textcolor{magenta}{\textbf{0.00033}} \\
+    \textbf{0.7} & 1.5 (15) 1.25409 & 2.3 (22) 8.67464 & 1.9 (18) 0.13319 & 8.6 (66) 0.00078 & 8.9 (48) 0.11136 \\
+    \textbf{0.8} & 1.9 (15) 3.10415 & 1.4 (13) 1.09275 & 2.1 (19) 0.43094 & 6.4 (54) 0.00191 & — \\
+    \bottomrule
+    \end{tabularx}
+    \label{tab:pc_pm_results_10}
+\end{table}
 
 
-    \begin{table}[h!]
-        \centering
-        \small
-        \caption{Результаты для $N = 25$}
-        \begin{tabularx}{\linewidth}{l *{5}{Y}}
-        \toprule
-        $\mathbf{P_c \;\backslash\; P_m}$ & \textbf{0.001} & \textbf{0.010} & \textbf{0.050} & \textbf{0.100} & \textbf{0.200} \\
-        \midrule
-        \textbf{0.3} & — & 3.2 (17) & 11.8 (55) & — & — \\
-        \textbf{0.4} & — & 2.6 (11) & 4.8 (22) & 17.7 (85) & — \\
-        \textbf{0.5} & \textbf{1.9 (10)} & — & 29.0 (137) & — & — \\
-        \textbf{0.6} & — & 2.7 (13) & 17.6 (81) & 35.7 (157) & — \\
-        \textbf{0.7} & — & 2.6 (13) & 9.1 (38) & 28.3 (119) & — \\
-        \textbf{0.8} & — & 17.6 (76) & 13.7 (57) & 23.4 (95) & — \\
-        \bottomrule
-        \end{tabularx}
-        \label{tab:pc_pm_results_25}
-    \end{table}
+\begin{table}[h!]
+    \centering
+    \small
+    \caption{Результаты для $N = 25$}
+    \begin{tabularx}{\linewidth}{l *{5}{Y}}
+    \toprule
+    $\mathbf{P_c \;\backslash\; P_m}$ & \textbf{0.001} & \textbf{0.010} & \textbf{0.050} & \textbf{0.100} & \textbf{0.200} \\
+    \midrule
+    \textbf{0.3} & 3.0 (18) 0.16836 & \textcolor{magenta}{\textbf{2.2 (13)}} 0.04190 & 4.7 (27) 0.00544 & — & — \\
+    \textbf{0.4} & 4.1 (24) 0.00808 & 4.6 (26) 0.01101 & 5.8 (31) 0.02330 & 3.8 (19) 0.05414 & — \\
+    \textbf{0.5} & 3.1 (17) 0.05259 & 5.0 (26) 0.47018 & 27.8 (138) \textcolor{magenta}{\textbf{0.00024}} & 14.5 (67) 0.00312 & — \\
+    \textbf{0.6} & 6.1 (31) 0.01033 & 6.8 (34) 0.00148 & — & — & — \\
+    \textbf{0.7} & 4.1 (21) 0.00107 & 3.2 (16) 0.32522 & — & — & — \\
+    \textbf{0.8} & 23.9 (109) 0.00352 & 15.8 (72) 0.11662 & 28.3 (123) 0.00038 & — & — \\
+    \bottomrule
+    \end{tabularx}
+    \label{tab:pc_pm_results_25}
+\end{table}
 
 
-    \begin{table}[h!]
-        \centering
-        \small
-        \caption{Результаты для $N = 50$}
-        \begin{tabularx}{\linewidth}{l *{5}{Y}}
-        \toprule
-        $\mathbf{P_c \;\backslash\; P_m}$ & \textbf{0.001} & \textbf{0.010} & \textbf{0.050} & \textbf{0.100} & \textbf{0.200} \\
-        \midrule
-        \textbf{0.3} & 5.6 (19) & 4.7 (15) & — & — & — \\
-        \textbf{0.4} & \textbf{3.3 (11)} & 48.7 (148) & — & — & — \\
-        \textbf{0.5} & 4.0 (12) & 8.0 (24) & 56.5 (151) & — & — \\
-        \textbf{0.6} & 3.6 (10) & 4.9 (14) & 29.3 (77) & — & — \\
-        \textbf{0.7} & 3.9 (11) & 36.5 (87) & 44.2 (107) & — & — \\
-        \textbf{0.8} & — & 76.4 (189) & 17.3 (41) & — & — \\
-        \bottomrule
-        \end{tabularx}
-        \label{tab:pc_pm_results_50}
-    \end{table}
+\begin{table}[h!]
+    \centering
+    \small
+    \caption{Результаты для $N = 50$}
+    \begin{tabularx}{\linewidth}{l *{5}{Y}}
+    \toprule
+    $\mathbf{P_c \;\backslash\; P_m}$ & \textbf{0.001} & \textbf{0.010} & \textbf{0.050} & \textbf{0.100} & \textbf{0.200} \\
+    \midrule
+    \textbf{0.3} & 14.9 (51) 0.05874 & 19.3 (59) \textcolor{magenta}{\textbf{0.00003}} & 36.7 (113) 0.00190 & — & — \\
+    \textbf{0.4} & 12.5 (40) 0.01955 & \textcolor{magenta}{\textbf{5.6 (18)}} 0.00022 & — & — & — \\
+    \textbf{0.5} & 65.0 (195) 0.04790 & 26.4 (78) 0.01673 & — & — & — \\
+    \textbf{0.6} & 16.4 (47) 0.00329 & 18.5 (50) 0.00065 & — & — & — \\
+    \textbf{0.7} & 51.0 (137) 0.00120 & 59.3 (158) 0.00010 & — & — & — \\
+    \textbf{0.8} & 48.8 (126) 0.01393 & 67.6 (172) 0.00650 & — & — & — \\
+    \bottomrule
+    \end{tabularx}
+    \label{tab:pc_pm_results_50}
+\end{table}
 
 
-    \begin{table}[h!]
-        \centering
-        \small
-        \caption{Результаты для $N = 100$}
-        \begin{tabularx}{\linewidth}{l *{5}{Y}}
-        \toprule
-        $\mathbf{P_c \;\backslash\; P_m}$ & \textbf{0.001} & \textbf{0.010} & \textbf{0.050} & \textbf{0.100} & \textbf{0.200} \\
-        \midrule
-        \textbf{0.3} & 7.8 (14) & 12.6 (22) & — & — & — \\
-        \textbf{0.4} & — & 14.9 (25) & — & — & — \\
-        \textbf{0.5} & 7.3 (12) & 10.9 (17) & — & — & — \\
-        \textbf{0.6} & 8.4 (13) & 12.4 (16) & — & — & — \\
-        \textbf{0.7} & 9.9 (14) & 11.1 (15) & — & — & — \\
-        \textbf{0.8} & \textbf{7.0 (10)} & 28.4 (38) & — & — & — \\
-        \bottomrule
-        \end{tabularx}
-        \label{tab:pc_pm_results_100}
-    \end{table}
+\begin{table}[h!]
+    \centering
+    \small
+    \caption{Результаты для $N = 100$}
+    \begin{tabularx}{\linewidth}{l *{5}{Y}}
+    \toprule
+    $\mathbf{P_c \;\backslash\; P_m}$ & \textbf{0.001} & \textbf{0.010} & \textbf{0.050} & \textbf{0.100} & \textbf{0.200} \\
+    \midrule
+    \textbf{0.3} & 24.2 (44) 0.00110 & 17.9 (32) 0.00113 & \textcolor{magenta}{\textbf{17.6 (29)}} 0.00193 & — & — \\
+    \textbf{0.4} & 30.7 (51) 0.00173 & — & — & — & — \\
+    \textbf{0.5} & 27.4 (43) 0.00016 & — & — & — & — \\
+    \textbf{0.6} & 20.4 (31) 0.00115 & 129.8 (186) 0.00025 & — & — & — \\
+    \textbf{0.7} & 115.4 (162) 0.00002 & — & — & — & — \\
+    \textbf{0.8} & 106.5 (143) \textcolor{magenta}{\textbf{0.00001}} & — & — & — & — \\
+    \bottomrule
+    \end{tabularx}
+    \label{tab:pc_pm_results_100}
+\end{table}
+
+    \newpage
+    \phantom{text}
+    \newpage
+    \subsubsection*{Результаты для второго критерия остановки}
+
+Результаты измерений представлены в таблицах \ref{tab:1_pc_pm_results_10}--\ref{tab:1_pc_pm_results_100}.
+
+
+% Автоматически сгенерированные LaTeX таблицы
+% Лучший результат по времени и по фитнесу выделены жирным отдельно
+% Убедитесь, что подключен \usepackage{tabularx}
+% ВНИМАНИЕ: Убедитесь, что подключен \usepackage{xcolor} для цветового выделения
+% Используйте \newcolumntype{Y}{>{\centering\arraybackslash}X} перед таблицами
+
+\begin{table}[h!]
+    \centering
+    \small
+    \caption{Результаты для $N = 10$}
+    \begin{tabularx}{\linewidth}{l *{5}{Y}}
+    \toprule
+    $\mathbf{P_c \;\backslash\; P_m}$ & \textbf{0.001} & \textbf{0.010} & \textbf{0.050} & \textbf{0.100} & \textbf{0.200} \\
+    \midrule
+    \textbf{0.3} & — & — & — & 15.6 (155) 0.00063 & 7.8 (69) 0.00409 \\
+    \textbf{0.4} & — & — & — & 8.9 (81) \textcolor{magenta}{\textbf{0.00038}} & \textcolor{magenta}{\textbf{4.6 (40)}} 0.00317 \\
+    \textbf{0.5} & — & — & 8.7 (85) 0.00199 & — & 16.5 (140) 0.00453 \\
+    \textbf{0.6} & — & — & — & 8.9 (77) 0.00310 & 14.3 (117) 0.00082 \\
+    \textbf{0.7} & — & — & 8.2 (70) 0.00089 & 5.6 (49) 0.00431 & 7.1 (58) 0.00047 \\
+    \textbf{0.8} & — & 19.7 (180) 0.00397 & — & 5.0 (42) 0.00494 & 5.5 (44) 0.00357 \\
+    \bottomrule
+    \end{tabularx}
+    \label{tab:1_pc_pm_results_10}
+\end{table}
+
+
+\begin{table}[h!]
+    \centering
+    \small
+    \caption{Результаты для $N = 25$}
+    \begin{tabularx}{\linewidth}{l *{5}{Y}}
+    \toprule
+    $\mathbf{P_c \;\backslash\; P_m}$ & \textbf{0.001} & \textbf{0.010} & \textbf{0.050} & \textbf{0.100} & \textbf{0.200} \\
+    \midrule
+    \textbf{0.3} & 1.1 (7) 0.00277 & 30.0 (173) \textcolor{magenta}{\textbf{0.00059}} & — & 2.2 (12) 0.00191 & 30.2 (139) 0.00200 \\
+    \textbf{0.4} & 1.8 (10) 0.00384 & — & 12.2 (63) 0.00164 & 6.6 (33) 0.00354 & 18.5 (82) 0.00224 \\
+    \textbf{0.5} & — & — & 12.5 (58) 0.00233 & 2.3 (11) 0.00196 & 17.1 (73) 0.00116 \\
+    \textbf{0.6} & — & 30.9 (151) 0.00265 & 36.7 (175) 0.00146 & 10.0 (46) 0.00449 & 5.7 (23) 0.00281 \\
+    \textbf{0.7} & 1.1 (6) 0.00472 & — & 0.8 (4) 0.00233 & 3.9 (17) 0.00112 & \textcolor{magenta}{\textbf{0.3 (2)}} 0.00371 \\
+    \textbf{0.8} & — & — & 10.3 (43) 0.00137 & 7.7 (32) 0.00379 & 10.5 (41) 0.00155 \\
+    \bottomrule
+    \end{tabularx}
+    \label{tab:1_pc_pm_results_25}
+\end{table}
+
+
+\begin{table}[h!]
+    \centering
+    \small
+    \caption{Результаты для $N = 50$}
+    \begin{tabularx}{\linewidth}{l *{5}{Y}}
+    \toprule
+    $\mathbf{P_c \;\backslash\; P_m}$ & \textbf{0.001} & \textbf{0.010} & \textbf{0.050} & \textbf{0.100} & \textbf{0.200} \\
+    \midrule
+    \textbf{0.3} & 3.7 (12) 0.00354 & 3.4 (9) 0.00075 & 23.7 (73) 0.00467 & 4.9 (14) 0.00043 & 2.1 (6) 0.00029 \\
+    \textbf{0.4} & 3.6 (12) 0.00270 & 4.2 (13) 0.00061 & 9.2 (25) 0.00251 & 18.2 (51) 0.00490 & 6.6 (16) 0.00063 \\
+    \textbf{0.5} & 4.0 (10) 0.00099 & 48.8 (141) 0.00324 & 3.8 (11) 0.00087 & 14.7 (39) \textcolor{magenta}{\textbf{0.00017}} & 1.2 (3) 0.00115 \\
+    \textbf{0.6} & 1.6 (5) 0.00070 & 51.6 (139) 0.00217 & 4.7 (13) 0.00294 & 2.6 (7) 0.00397 & 11.5 (27) 0.00053 \\
+    \textbf{0.7} & — & — & 2.6 (7) 0.00144 & 3.5 (9) 0.00182 & \textcolor{magenta}{\textbf{1.1 (3)}} 0.00072 \\
+    \textbf{0.8} & 4.1 (11) 0.00240 & 3.5 (8) 0.00380 & 2.5 (6) 0.00422 & 2.7 (7) 0.00126 & 4.3 (10) 0.00060 \\
+    \bottomrule
+    \end{tabularx}
+    \label{tab:1_pc_pm_results_50}
+\end{table}
+
+
+\begin{table}[h!]
+    \centering
+    \small
+    \caption{Результаты для $N = 100$}
+    \begin{tabularx}{\linewidth}{l *{5}{Y}}
+    \toprule
+    $\mathbf{P_c \;\backslash\; P_m}$ & \textbf{0.001} & \textbf{0.010} & \textbf{0.050} & \textbf{0.100} & \textbf{0.200} \\
+    \midrule
+    \textbf{0.3} & 9.3 (17) 0.00451 & 6.0 (11) 0.00344 & 10.0 (17) 0.00343 & 5.3 (8) 0.00046 & 9.8 (14) 0.00412 \\
+    \textbf{0.4} & 5.7 (9) \textcolor{magenta}{\textbf{0.00005}} & 8.4 (14) 0.00108 & 3.5 (6) 0.00254 & 4.0 (6) 0.00186 & 6.5 (9) 0.00283 \\
+    \textbf{0.5} & 3.8 (6) 0.00019 & 4.9 (8) 0.00103 & 3.6 (6) 0.00260 & 11.1 (16) 0.00204 & 7.5 (10) 0.00374 \\
+    \textbf{0.6} & — & 6.5 (10) 0.00107 & 3.6 (5) 0.00079 & \textcolor{magenta}{\textbf{0.9 (2)}} 0.00324 & 10.1 (13) 0.00044 \\
+    \textbf{0.7} & 1.7 (3) 0.00106 & 6.6 (10) 0.00489 & 4.1 (6) 0.00031 & 12.4 (16) 0.00240 & 4.8 (6) 0.00276 \\
+    \textbf{0.8} & 5.0 (7) 0.00387 & 58.4 (77) 0.00453 & 7.8 (10) 0.00259 & 11.2 (13) 0.00210 & 6.1 (7) 0.00493 \\
+    \bottomrule
+    \end{tabularx}
+    \label{tab:1_pc_pm_results_100}
+\end{table}
 
         
     \newpage
     \phantom{text}
     \newpage
     \phantom{text}
+    \newpage
+    \phantom{text}
     \subsection{Анализ результатов}
     
-    Ключевые наблюдения:
-    \begin{itemize}
-        \item При небольших популяциях ($N=10$) лучший результат достигается при $p_c=0.7$, $p_m=0.1$ (1.1 мс, 9 пок.). Многие комбинации с низкой мутацией ($p_m \leq 0.01$) и высокой мутацией ($p_m=0.2$) не сходятся за 200 поколений.
-        \item Для $N=25$ оптимальные параметры: $p_c=0.5$, $p_m=0.001$ (1.9 мс, 10 пок.) — лучший результат среди всех экспериментов. Большинство комбинаций с $p_m \geq 0.05$ показывают плохую сходимость.
-        \item Для $N=50$ минимальное время при $p_c=0.4$, $p_m=0.001$ (3.3 мс, 11 пок.). Почти все комбинации с $p_m \geq 0.05$ не сходятся, что указывает на чувствительность к избыточной мутации.
-        \item Для $N=100$ лучший результат при $p_c=0.8$, $p_m=0.001$ (7.0 мс, 10 пок.). Только комбинации с очень низкой мутацией обеспечивают сходимость.
-        \item С ростом размера популяции диапазон работающих параметров сужается: для больших $N$ критична минимальная мутация ($p_m=0.001$).
-    \end{itemize}
+    \subsubsection*{Обоснование применения двух критериев остановки}
     
-    Практические выводы:
+    В исследовании использовались два различных критерия остановки алгоритма, поскольку критерий по количеству поколений (отсутствие улучшения в течение 10 поколений) не всегда обеспечивал достижение достаточно хороших значений фитнеса, особенно для малых популяций. Это делало некорректным сравнение эффективности различных комбинаций параметров только по времени выполнения. Введение второго критерия (достижение фитнеса 0.005) позволило получить более объективную оценку скорости нахождении качественных решений.
+
+    \subsubsection*{Первый критерий остановки (отсутствие улучшения в течение 10 поколений)}
+
+    При использовании первого критерия остановки наблюдаются следующие закономерности:
+
     \begin{itemize}
-        \item Для данной задачи axis parallel hyper-ellipsoid function оптимальная стратегия — использование очень низких значений мутации ($p_m=0.001$) для популяций $N \geq 25$.
-        \item Малые популяции ($N=10$) требуют умеренной мутации ($p_m=0.1$) для обеспечения достаточного разнообразия.
-        \item Функция показывает высокую чувствительность к параметрам: большинство неоптимальных комбинаций приводят к отсутствию сходимости за 200 поколений.
-        \item Лучшее соотношение скорости и надёжности показывает $N=25$ с минимальной мутацией — компромисс между вычислительными затратами и качеством решения.
+        \item \textbf{Малые популяции ($N=10$):} Оптимальный баланс достигается при умеренных значениях параметров. Лучший результат по времени показывает комбинация $p_c=0.3$, $p_m=0.1$ (1.0 мс, 11 поколений), однако лучшее значение фитнеса достигается при $p_c=0.6$, $p_m=0.2$ (0.00033). Качество решений существенно варьируется.
+        
+        \item \textbf{Средние популяции ($N=25$):} Демонстрируют высокую эффективность при низких значениях мутации. Минимальное время выполнения достигается при $p_c=0.3$, $p_m=0.01$ (2.2 мс, 13 поколений), а наилучший фитнес — при $p_c=0.5$, $p_m=0.05$ (0.00024).
+        
+        \item \textbf{Большие популяции ($N=50, 100$):} Характеризуются критической чувствительностью к высоким значениям мутации и демонстрируют заметное улучшение качества фитнеса. Для $N=50$ лучшие результаты при $p_c=0.4$, $p_m=0.01$ (5.6 мс по времени) и $p_c=0.3$, $p_m=0.01$ (фитнес 0.00003). Для $N=100$ работают только комбинации с очень низкой мутацией, но обеспечивают отличное качество (фитнес до 0.00001).
+        
+        \item \textbf{Проблема сходимости:} С увеличением размера популяции значительно возрастает количество комбинаций параметров, не обеспечивающих сходимость за 200 поколений, особенно при $p_m \geq 0.05$.
     \end{itemize}
 
+    \subsubsection*{Второй критерий остановки (достижение фитнеса 0.005)}
+
+    Использование фиксированного порога фитнеса демонстрирует принципиально иную картину и подтверждает правильность введения альтернативного критерия:
+
+    \begin{itemize}
+        \item \textbf{Инверсия требований к мутации:} В отличие от первого критерия, здесь малые популяции требуют более высоких значений мутации для достижения целевого фитнеса. Для $N=10$ большинство комбинаций с $p_m \leq 0.01$ вообще не достигают порога, что подтверждает проблему качества при первом критерии.
+        
+        \item \textbf{Лучшие результаты больших популяций:} Популяции $N=50$ и $N=100$ показывают отличные результаты — достижение высокого качества за минимальное время: $N=50$ при $p_c=0.7$, $p_m=0.2$ (1.1 мс, 3 поколения) и $N=100$ при $p_c=0.6$, $p_m=0.1$ (0.9 мс, 2 поколения).
+    \end{itemize}
+
+    
     \newpage
     \section{Ответ на контрольный вопрос}
 
-    \textbf{Вопрос}: Какую роль в ГА играет оператор репродукции (ОР)?
+    \textbf{Вопрос}: Опишите понятие «оптимизационная задача».
 
-    \textbf{Ответ}: Оператор репродукции (ОР) в ГА играет роль селекции. Он выбирает наиболее приспособленных особей для дальнейшего участия в скрещивании и мутации. Это позволяет сохранить наиболее приспособленные особи и постепенно улучшить популяцию.
+    \textbf{Ответ}: Оптимизационная задача — это математическая задача, в которой требуется найти такие значения переменных, при которых некоторая функция, называемая целевой, принимает наибольшее или наименьшее значение. При этом искомые значения должны удовлетворять определённым условиям или ограничениям, задающим допустимую область решений. Цель оптимизации заключается в выборе наилучшего варианта среди множества возможных с точки зрения заданного критерия эффективности.
+
+    Такие задачи широко применяются в науке, технике, экономике и управлении для рационального распределения ресурсов, минимизации затрат или максимизации прибыли. В зависимости от формы целевой функции и ограничений оптимизационные задачи могут быть линейными, нелинейными, дискретными или непрерывными. Их решение позволяет принимать обоснованные решения и повышать эффективность различных процессов и систем.
         
 
     \newpage
     \section*{Заключение}
     \addcontentsline{toc}{section}{Заключение}
 
-    В ходе второй лабораторной работы:
+    В ходе второй лабораторной работы была успешно решена задача оптимизации функции Axis parallel hyper-ellipsoid function с использованием генетических алгоритмов:
 
     \begin{enumerate}
-        \item Был изучен теоретический материал, основная терминология ГА, генетические операторы,
-        использующиеся в простых ГА;
-        \item Реализована программа на языке Python для нахождения минимума заданной функции;
-        \item Проведено исследование зависимости времени выполнения программы и поколения от мощности популяции и коэффициентов кроссинговера и мутации.
+        \item Изучен теоретический материал о real-coded генетических алгоритмах и различных операторах кроссинговера и мутации;
+        \item Создана программная библиотека на языке Python с реализацией арифметического и геометрического кроссоверов, случайной мутации и селекции методом рулетки;
+        \item Проведено исследование влияния параметров ГА на эффективность поиска для популяций размером 10, 25, 50 и 100 особей;
     \end{enumerate}
 
 \newpage